[論文レビュー] Modeling Discrete Interventional Data using Directed Cyclic Graphical Models

Mark Schmidt, Kevin J. Murphy|arXiv (Cornell University)|May 9, 2012

Bayesian Modeling and Causal Inference参考文献 23被引用数 31

ひとこと要約

本稿では、介入的データを扱うための新しい枠組みを提示する。この枠組みは、有向循環グラフィカルモデル（D-CDGs）を用い、介入効果と条件付き独立性を globally normalized された介入ポテンシャル関数で表現する。この手法により、パラメータ推定と構造学習の両方が凸最適化によって可能となり、シミュレートデータおよびフローサイトメトリー・データにおいて優れた性能を示す。

ABSTRACT

We outline a representation for discrete multivariate distributions in terms of interventional potential functions that are globally normalized. This representation can be used to model the effects of interventions, and the independence properties encoded in this model can be represented as a directed graph that allows cycles. In addition to discussing inference and sampling with this representation, we give an exponential family parametrization that allows parameter estimation to be stated as a convex optimization problem; we also give a convex relaxation of the task of simultaneous parameter and structure learning using group l1-regularization. The model is evaluated on simulated data and intracellular flow cytometry data.

研究の動機と目的

• 介入的データを組み込んだ離散的多変量分布の原理的表現の構築を目的とする。
• サイクルを許容する有向グラフを用いて、介入下での条件付き独立性構造をモデル化することを目的とする。
• 介入が存在する状況下でも、効率的な推論、サンプリング、およびパラメータ推定を可能にすることを目的とする。
• 指数型分布族のパrametrization を用いて、パラメータ推定を凸最適化問題として定式化することを目的とする。
• グループ l1 正則化を用いた凸緩和により、同時にパラメータと構造の学習を可能にすることを目的とする。

提案手法

• 介入効果を符号化するため、グローバルに正規化された介入ポテンシャル関数を用いて、連合分布を表現する。
• 介入下での条件付き独立性の性質を表現するため、サイクルを許容する有向グラフィカル・モデルを構築する。
• 推定における凸性を保証するため、ポテンシャル関数の指数型分布族パラメータ化を採用する。
• 介入的データからモデルパラメータを推定するために、凸最適化を用いる。
• 同時に構造とパラメータの学習を可能にするために、パラメータ空間にグループ l1 正則化を適用する。
• 計算的に扱えるようにするために、共同学習問題の凸緩和を導出する。

実験結果

リサーチクエスチョン

• RQ1 サイクルを許容し、介入効果を符号化するグラフィカル・モデルを用いて、離散的介入的データをどのように表現できるか？
• RQ2 グローバルに正規化されたポテンシャル関数の表現は、効率的な推論とパラメータ推定を可能にするか？
• RQ3 凸最適化は、介入的モデルのパラメータ推定にどの程度活用できるか？
• RQ4 グループ l1 正則化は、介入的データから元のグラフィカル構造を効果的に回復できるか？
• RQ5 提案されたモデルは、フローサイトメトリーのような実世界の介入的データに対して、どのように性能を発揮するか？

主な発見

• 提案されたモデルは、有向循環グラフを用いて介入的データを効果的に表現し、複雑な依存構造を捉えている。
• パラメータ推定が凸最適化問題として定式化されており、信頼性の高いスケーラブルな学習を可能としている。
• グループ l1 正則化アプローチにより、構造とパラメータの共同学習のための凸緩和が得られている。
• シミュレートデータにおける実験的評価では、元の構造と介入効果が正確に回復されている。
• 細胞内フローサイトメトリー・データでは、ベースライン手法を上回る性能を示し、介入的依存関係を効果的に捉えている。
• このフレームワークは推論とサンプリングを両方サポートしており、実世界の生物学的データ環境における実用的有用性を示している。